DocuSign kombiniert Claude Code mit dbt-Tools und meldet 50 Prozent mehr Produktivität

Nicht SQL, sondern der Kontextwechsel war der Engpass

Laut der Zusammenfassung der Session durch dbt Labs ging Gupta, der bei DocuSign an vertrauenswürdigen Datenprodukten und der Modernisierung des Analytics Engineering arbeitete, von einer einfachen Beobachtung aus: Die SQL-Generierung war nie wirklich der Engpass. Der Kontextwechsel war es. Entwickler pendelten zwischen einer Jira-Anforderung, dbt-Konventionen, die größtenteils in den Köpfen der Leute existierten, und wiederholter Validierung, ohne saubere Übergabe zwischen den einzelnen Arbeitsschritten.

Seine Lösung: Claude Code übernimmt die Orchestrierung des Workflows und erhält drei unterstützende Bausteine:

• dbt Agent Skills liefern Projektkonventionen und Namensmuster.
• Der dbt-MCP-Server liefert strukturierte Metadaten und Lineage.
• dbt v2 validiert kompiliertes SQL, bevor ein Pull Request rausgeht.

Phasen statt eines großen Agenten

Gupta baute nicht einen einzelnen großen Agenten, der alles erledigt. Er teilte den Workflow in drei Phasen auf: Discovery, dbt-Entwicklung und Orchestrierung. Dank dieses Aufbaus wird ein Fehler in einer Phase, etwa ein fehlgeschlagener Compile-Lauf oder ein übersprungener Unit-Test, für sich wiederholt, statt die gesamte Pipeline neu zu starten.

In einer Live-Demo ließ Gupta den Workflow ein neues quartalsweises Aggregationsmodell bauen. Der Workflow zog die relevanten dbt Agent Skills und den MCP-Kontext heran, erzeugte das Modell samt YAML und kompilierte und validierte das Ergebnis anschließend mit dbt v2. Am Ende standen ein Pull Request und ein passender Orchestrierungs-Job. Die Branch-Isolation war aktiv, und vor jeder Auslieferung blieb ein menschliches Review erforderlich.

Ergebnisse und Leitplanken

Gupta berichtete von einem pilotierten Produktivitätsgewinn von 50 Prozent von der Anforderung bis zum validierten, review-fähigen dbt-Asset. Außerdem nannte er einheitlichere Muster bei Benennung, Tests und Semantik im gesamten Team, sodass sich Reviewer auf fachliches Urteilsvermögen statt auf Stilkorrekturen konzentrieren können. Seine Leitlinie, wie sie dbt Labs wiedergibt: Die KI schlägt vor, die Entwickler bleiben verantwortlich für das, was tatsächlich gemergt wird.

Die Fragen aus dem Publikum drehten sich vor allem um Leitplanken. Gupta sagte, Testläufe seien auf 1.000 Zeilen begrenzt, damit ein Agent nicht versehentlich einen Build mit einer Milliarde Zeilen auslösen kann. Zudem skizzierte er einen frühen, noch in Entwicklung befindlichen Ansatz, mit dem sich steuern lässt, welche benutzerdefinierten Skills der Teams über eine zentrale Skills-Datei auf den gemeinsamen Workflow aufgesetzt werden.

Was das für Datenteams bedeutet

Der Bericht zeigt ein Muster für Teams, die Coding-Agenten für Analytics-Aufgaben einsetzen wollen, ohne die Kontrolle zu lockern. Konventionen werden als Skills festgehalten, statt in den Köpfen zu bleiben, Metadaten stammen aus einer strukturierten Quelle, die Validierung läuft vor dem Review, und ein Mensch gibt den Merge frei. Die Zahl von 50 Prozent stammt aus einem Pilotprojekt und ist Guptas eigene Angabe, und die Steuerung gemeinsamer Skills über Teams hinweg nimmt nach seiner Darstellung noch Gestalt an.

dbt Labs zufolge sind alle Keynotes und Breakout-Sessions des dbt Summit 2026 on demand verfügbar.